来源：Artinspiring/Dreamstime.com
翻译：国相洁
校对：丁楠雅
本文约3000字，建议阅读6分钟。
本文为你介绍了作为数据科学家需要掌握沟通能力和其它软技能方面知识。
小结: 数据科学家需要强大的数学和编码能力，但沟通能力和其它软技能也是走向成功不可缺少的基本功。
根据Glassdoor在美国区的统计，“数据科学家”排名为2019年最诱人的工作。平均基础工资为$108k，工作满意度为4.3–5★，加上被预测有大量空缺，这个结果一点都不令人吃惊。
问题是，一个人该如何修炼才能走上正轨并获得胜任这份工作的资格？
为了找到答案，我们总结了大量文章里的建议，很多可以归纳为编码与数学上的硬技能（hard skills）。但强大的计算能力并不是全部。一名优秀的数据科学家仍需要和相关业务人员进行有效沟通，这里便需要一些软技能（soft skills）。
铸造你的教育地基：3个要点
Drace Zhan作为 NYC Data Science Academy 的数据科学家，强调了教育基础的必要性，包括编码基础和数学能力：
NYC Data Science Academy： https://nycdatascience.com/
- R/Python SQL。如果你没有编码能力，那你就需要大量的网络等其它领域的力量来补充这个缺陷。我见到过一些数据科学家，有的数学能力比较薄弱，或者对相关领域欠缺经验，但他们总有很强的编码能力。Python是很理想，R正在变得有点落后，最好两样武器都带上。SQL对于数据分析师来说同样极其重要。
R/Python SQL： https://www.techopedia.com/definition/3533/python
- 强大的数学能力。对一些常用的理论有着较好的理解：generalized linear models（广义线性模型），decision tree（决策树），K-means（聚类分析）和statistical tests（假设检验）。这好过手握大量模型甚至专业模型如递归神经网络（RNN），却仅仅是浅尝辄止。
decision tree： https://www.techopedia.com/definition/28634/decision-tree
K-means： https://www.techopedia.com/definition/32057/k-means-clustering
这些都是需要培养的核心技能，尽管一些专家还加入了其它东西。例如，一份 KDnuggests 清单包含了编码成分，Zhan在此基础上还加入了一些其他有用的东西，包括Hadoop平台，Apache Spark，数据可视化，非结构化数据，机器学习和AI。
Apache Spark https://www.techopedia.com/definition/30113/apache-spark
但如果我们从一份Kaggle调研中寻求线索，关于“那些在实际生活中被使用的最普遍的工具”，我们会有不同的发现。下面这张图是名列前15的硬技能。
Python，R和SQL排在前三，第四名是 Jupyter notebooks，接下来是 TensorFlow，Amazon Web Services，Unix shell，Tableau，C/C ，NoSQL，MATLAB/Octave和Java，都排在Hadoop和Spark前面。颇让人意外的是，Microsoft’s Excel Data Mining也被列进来了。
TensorFlow： https://www.techopedia.com/definition/32862/tensorflow
Amazon Web Services： https://www.techopedia.com/definition/26426/amazon-web-services-aws
Unix： https://www.techopedia.com/definition/4637/unix
C ： https://www.techopedia.com/definition/26184/c-programming-language
NoSQL： https://www.techopedia.com/definition/27689/nosql-database
Java： https://www.techopedia.com/definition/3927/java
图片出自 Kaggle
https://www.kaggle.com/surveys/2017
在KDnuggests清单中也包括了关于正规教育的建议。大多数据科学家都拥有高学历，46%是博士，88%的人拥有至少硕士学位。他们的本科学位通常是相关领域。大约1/3是数学和统计学，这也是最受欢迎的职业轨迹。接下来最受欢迎的是计算机科学学位，占有19%，工程学16%。当然专门针对数据科学的技术工具通常不会设在大学课程中，但是可以通过专门的训练营或在线课程习得。
课程之外：2个要点
Hank Yun是威尔康奈尔医学院肺科的一名助理研究员，同时也是NYC数据科学学院的学生。他建议有抱负的数据科学家围绕他们将要从事的工作进行计划，并找到一位导师。
Hank Yun https://medium.com/@jhaseon
他说：“不要犯我曾经犯过的错误。那时我对自己说，我知道数据科学，因为我参加了课程并获得了证书。”这确实是个不错的开始，但当你开始学的时候，脑海中要有一个计划。然后在该领域中找到一名导师，并立刻开始一个令你充满激情的项目。
当你还是个新手，你不知道你不知道什么。所以如果有个人指导你前行，告诉你，什么是对于现在的你最重要的，什么不是，这将很有帮助。别把时间扔在学习那些最后根本无法施展的东西！
知道从你的工具包里取出哪样工具：保持领先的要点
由于数据科学工具的排名不尽相同，有人可能会困惑，到底该把精力集中在哪些上面。Celeste Fralick是McAfee软件安全公司的首席数据科学家。他在CIO article上强调了这个问题：“一名数据科学家需要处在调查曲线的前端，但别忘了去明白，什么技术该什么时候用。” 这句话意思是，别被新鲜与性感的外表蛊惑，而实际问题需要更多工作。意识到对于生态系统的计算成本，可解释性，延迟，带宽，和其它系统边界条件，还有客户的到期时间，它本身就能帮助数据科学家知道，使用什么技术最合适。
CIO article： https://www.cio.com/article/3263790/data-science/the-essential-skills-and-traits-of-an-expert-data-scientist.html
基本软技能：另外6个要点
Fralick提到了数据科学工作需要的非技术性技能。这也是为什么KDnuggests清单包括了这4项：求知欲，团队合作，沟通技巧和商业头脑。Zhan给列出的清单中也包含了一些关键的软技能，如 “有效沟通能力”，“领域经验” 与上面的 “商业头脑” 类似。总之，都是指将数据科学实际应用到商业中。
Olivia Parr-Rud提供了她自己的想法，又加入了另外2项软技能：创新，勇于坚持。她说：“我认为数据科学是科学也是艺术。它需要利用大脑两侧的力量。很多人谈及数据科学，说它主要使用左脑。但我发现，想要成功，数据科学家就得充分调用他们的全脑。”
她解释道，在该领域前行，不仅需要技术能力，还要有创造性和领导性远见。
大多数左脑/线性任务可以被自动化或外包。为了提供身为一名数据科学家的竞争优势，我们必须能识别大量信息中的模式（patterns）和综合性（synthesize），也就要用到左右脑。我们必须是有创造力的思考者。很多优秀的结论都是来自于左右脑的协同工作。
她还强调为什么清晰地表达远见是基本的：
“作为数据科学家，我们的目标是帮助客户增长利润。大多数主管不理解我们是做什么的，我们是如何去做的。所以我们需要像领导者一样去思考，以股东们可以理解和信任的方式，表达我们的发现与建议。”
总结
这个提示单里包含大量地技术工具，技能，和能力，还有可量化的品质，像创造力，领导力。数据科学不仅仅是个数字游戏。数据科学家也不是在虚空中建模，而是要能提出实用的，能解决商业中实际问题的灼见。那些可以在该领域中获得成功的人，不仅仅精通技术，还能理解工作中团队各成员的需求。
编辑：王菁
校对：林亦霖
译者简介
国相洁，马德里自治大学本科，经济与金融专业。从数据分析师起步，梦想成为一名优秀的数据科学家。希望在成长的路上，结交志趣相投的朋友，不负青春。
